94 BAB 4 IMPLEMENTASI DAN EVALUASI
4.1 Spesifikasi Sistem Berikut adalah spesifikasi sistem yang digunakan dalam melakukan proses pengenalan dan penentuan kondisi akuarium ikan hias air laut :
4.1.1 Spesifikasi Perangkat Keras Spesifikasi perangkat keras (hardware) minimum yang dibutuhkan untuk mengembangkan dan menjalankan aplikasi ini adalah : 9 Processor Intel Pentium 4 1.6 GHz 9 Memory 256 Mb 9 Hardisk 80 Gb 9 Webcam yang kompatibel dengan Microsoft Windows XP Professional service pack 2 dan memiliki resolusi 320x240. 9 Mouse dan Keyboard
4.1.2 Spesifikasi Perangkat Lunak Spesifikasi perangkat lunak (software) minimum yang dibutuhkan untuk mengembangkan dan menjalankan aplikasi ini adalah : 9 Sistem Operasi Microsoft Windows XP Professional service pack 2 9 Software Matlab 7.1
95 4.2 Prosedur Operasional Secara garis besar aplikasi ini terbagi menjadi beberapa fungsi, yaitu : 1.
Melakukan capturing image ikan melalui media webcam atau membuka file image ikan yang sudah disediakan.
2.
Melakukan pengenalan terhadap image ikan tersebut.
3.
Menentukan jenis ikan tersebut.
4.
Menampilkan informasi seputar ikan tersebut.
Secara detail aplikasi ini dimulai dengan user membuka file “skripsi.m” melalui software MATLAB 7.1. Selanjutnya akan muncul layar awal dari aplikasi yang memuat sebuah image box dan tiga buah tombol. Image box memuat image hasil tangkapan webcam yang secara otomatis akan langsung bekerja pada saat aplikasi dijalankan. Untuk melanjutkan ke tahap selanjutnya user diberi dua pilihan, yaitu dengan menggunakan image hasil tangkapan webcam atau dengan melakukan load image ikan yang sudah disimpan sebelumnya. Untuk menggunakan image hasil tangkapan webcam, user cukup menekan tombol “Kenali”, sedangkan untuk menggunakan image hasil load cukup dengan menekan tombol “Buka File”. Apabila user menggunakan cara load image, maka setelah menekan tombol “Buka File” akan muncul sebuah dialog box dengan judul “Pilih file citra ikan” yang memuat file-file yang sudah disimpan sebelumnya dalam format jpg. Setelah user memilih file image ikan tersebut, pilih “Open” pada dialog box maka file image yang dipilih secara otomatis muncul di image box. Lalu tekan “Kenali” untuk melanjutkan ke layar hasil pengenalan.
96 Pada layar hasil pengenalan terdapat dua buah image box yang akan menampilkan image hasil pengenalan (image box atas) dan image dari database (image box bawah). Apabila image ikan yang dikenali tidak dapat dikenali oleh aplikasi maka akan muncul error message. Selain itu ditampilkan juga jenis ikan yang berhasil dikenali beserta dua buah tombol (tombol “Detail” dan tombol “Kenali Lagi”). Tombol “Detail” digunakan untuk menampilkan detail informasi mengenai ikan tersebut pada layar detail penjelasan. Sedangkan tombol “Kenali Lagi” digunakan untuk kembali ke layar awal dengan mode active webcam. Setelah user menekan tombol “Detail” pada layar hasil pengenalan, maka layar detail penjelasan akan langsung terbuka. Pada layar ini ditampilkan berbagai informasi mengenai ikan tersebut. Informasi tersebut mencakup tentang informasi seputar kondisi akuarium yang sesuai untuk ikan tersebut. Di layar ini juga terdapat dua buah tombol, yaitu tombol “Gambar” dan tombol “Kenali Lagi”. Tombol “Gambar” digunakan untuk kembali ke layar sebelumnya (layar hasil pengenalan), sedangkan tombol “Kenali Lagi” digunakan untuk kembali ke layar awal dengan mode active webcam.
97 4.3 Rencana Implementasi 4.3.1 Proses Training Dalam pengenalan bentuk, aplikasi ini menggunakan teknik pendeteksian sisi Sobel. Pertama-tama, citra berwarna diubah menjadi citra grayscale. Selanjutnya citra diubah ke dalam bentuk biner. Lalu citra tersebut di-threshold. Setelah di-threshold, daerah lipatan pada tepi dinaikkan gradient citra tersebut.
Gambar 4.1 Proses Pengenalan Bentuk
Hasil pengenalan citra juga menggunakan pengenalan pada warna image suatu ikan yang akan dideteksi. Pada aplikasi ini digunakan fungsi rgb2ind. Fungsi rgb2ind adalah mengkonversi RGB gambar untuk gambar yang diindeks, mengurangi jumlah warna dalam proses menjadi 3 warna dominan. Proses no dither juga diterapkan disini agar segmentasi warna
98 menjadi lebih jelas. Setelah itu dikonversikan menggunakan fungsi rgb2hsv untuk mendapatkan nilai range Hue, Saturation dan Value yang akan disimpan sebagai nilai warna. Dalam segi sistem pakar, aplikasi ini sudah berhasil untuk menentukan jenis ikan dari citra ikan yang dikenali sebelumnya. Setelah jenis ikan didapatkan, maka aplikasi akan menampilkan informasi yang sesuai seputar ikan tersebut. Informasi ini yang berguna untuk mengetahui kondisi akuarium yang sesuai bagi ikan tersebut.
Gambar 4.2 Proses Pengenalan Warna
Untuk
mengenali
pola,
aplikasi
ini
menggunakan
teknik
Backpropagation Neural Network. Setelah mendapat hasil capture dari suatu
99 citra, langkah selanjutnya citra akan di-training. Langkah selanjutnya adalah citra
tersebut
dibandingkan
oleh
output
yang
dikehendaki.
Lalu
menyesuaikan bobot masing – masing kesalahan dan kesalahan tersebut dihubungkan oleh bobot yang lebih kuat sehingga makin mendekati dengan output yang dikehendaki.
Gambar 4.3 Proses Pengenalan Pola
100 4.3.2 Proses Capturing Image dan Loading Image
Gambar 4.4 Tampilan Layar Capturing Image Pada layar ini ditampilkan image yang secara default di tangkap oleh webcam secara otomatis. Dengan menekan tombol “Kenali” maka aplikasi akan secara otomatis melakukan proses capturing image yang akan di simpan dalam bentuk jpg dan akan secara langsung membawa user ke layar hasil pengenalan. Tombol “Buka File” berguna untuk membuka file yang sudah disimpan.
101
Gambar 4.5 Tampilan Layar Loading Image
Pada layar ini ditampilkan kotak dialog box “Pilih file citra ikan” untuk loading image yang sudah disimpan sebelumnya. Untuk sebuah citra ikan dapat di load, maka format file citra ikan tersebut harus dalam bentuk jpg. Tombol “Kamera” digunakan untuk kembali ke mode active webcam. Tombol “Kenali” digunakan untuk mengenali citra ikan yang sudah di load sekaligus membawa user ke layar hasil pengenalan.
102 4.3.3 Proses Pengenalan dan Penentuan Jenis Ikan
Gambar 4.6 Tampilan Layar Hasil Pengenalan
Pada layar ini ditampilkan image file hasil pengenalan (image atas) dan image dari database (image bawah). Jenis ikan didapat dari hasil proses pengenalan citra yang dilakukan terhadap image yang dikenali. Tombol “Detail” digunakan untuk membuka layar detail informasi mengenai ikan tersebut, sedangkan tombol “Kenali Lagi” akan membawa user kembali ke layar awal dengan status active webcam. Apabila pada saat proses pengenalan image yang dikenali tidak dapat dikenali, maka akan muncul error message.
103 4.3.4 Proses Penampilan Informasi Ikan
Gambar 4.7 Tampilan Layar Detail Penjelasan
Pada layar ini ditampilkan detail informasi seputar ikan tersebut diatas. Informasi ini memuat seputar penjelasan mengenai ikan tersebut sekaligus mengenai kondisi akuarium yang sesuai bagi ikan tersebut. Tombol “Gambar” digunakan untuk kembali ke layar hasil pengenalan, sedangkan tombol “Kenali Lagi” digunakan untuk kembali ke layar awal dengan status active webcam.
104 Untuk sistem pakar dari aplikasi ini, digunakan metode forward chaining, dengan contoh rule sebagai berikut : IF CITRA_IKAN_SHAPE [SEDANG] CITRA_IKAN_COLOUR [KUNING] AND CITRA_IKAN_PATTERN [POLOS] AND THEN CHECK = SHAPE_MATCH [ SEDANG] =[BLUE TANG, ROYAL BLUE, MOORISH,...] IF MATCH THEN HALAMAN_HASIL ELSE CHECK = COLOUR_MATCH [KUNING] =[YELLOW TANG, MOORISH,...] IF MATCH THEN HALAMAN_HASIL ELSE CHECK = PATTERN_MATCH [ POLOS] =[MANTA, YELLOW TANG,...] IF MATCH THEN HALAMAN_HASIL
105 ELSE ERROR_MESSAGE = [DATA TIDAK DITEMUKAN] END IF END IF END IF END IF
4.4 Evaluasi 4.4.1 Evaluasi Hasil Pengenalan Berikut adalah tabel hasil percobaan pengenalan citra ikan yang sudah disimpan sebelumnya. Percobaan ini menggunakan 60 citra ikan yang terdiri dari 3 jenis ikan dari 20 jenis ikan yang biasa diperdagangkan. Tabel 4.1 Tabel Hasil Percobaan Load Image Nama File
Preview
Jenis Ikan
Hasil Percobaan
clown01.jpg
Clown Fish
Berhasil Dikenali
clown02.jpg
Clown Fish
Berhasil Dikenali
clown03.jpg
Clown Fish
Berhasil Dikenali
clown04.jpg
Clown Fish
Berhasil Dikenali
clown05.jpg
Clown Fish
Gagal Dikenali
clown06.jpg
Clown Fish
Berhasil Dikenali
clown07.jpg
Clown Fish
Gagal Dikenali
clown08.jpg
Clown Fish
Berhasil Dikenali
clown09.jpg
Clown Fish
Gagal Dikenali
106
clown10.jpg
Clown Fish
Berhasil Dikenali
yellow01.jpg
Yellow Tang
Berhasil Dikenali
yellow02.jpg
Yellow Tang
Berhasil Dikenali
yellow03.jpg
Yellow Tang
Berhasil Dikenali
yellow04.jpg
Yellow Tang
Berhasil Dikenali
yellow05.jpg
Yellow Tang
Berhasil Dikenali
yellow06.jpg
Yellow Tang
Berhasil Dikenali
yellow07.jpg
Yellow Tang
Berhasil Dikenali
yellow08.jpg
Yellow Tang
Berhasil Dikenali
yellow09.jpg
Yellow Tang
Berhasil Dikenali
yellow10.jpg
Yellow Tang
Berhasil Dikenali
moorish01.jpg
Moorish Idol
Berhasil Dikenali
moorish02.jpg
Moorish Idol
Gagal Dikenali
moorish03.jpg
Moorish Idol
Berhasil Dikenali
moorish04.jpg
Moorish Idol
Gagal Dikenali
moorish05.jpg
Moorish Idol
Berhasil Dikenali
moorish06.jpg
Moorish Idol
Gagal Dikenali
moorish07.jpg
Moorish Idol
Gagal Dikenali
moorish08.jpg
Moorish Idol
Gagal Dikenali
moorish09.jpg
Moorish Idol
Gagal Dikenali
moorish10.jpg
Moorish Idol
Gagal Dikenali
107 Dari hasil percobaan, didapatkan hasil sebanyak 15 citra ikan (75%) jenis clown fish berhasil dikenali, sedangkan 5 citra ikan dari jenis ikan clown fish gagal dikenali. Ikan dengan jenis yellow tang berhasil dikenali seluruhnya (100% dari 20 citra ikan) oleh aplikasi. Sementara itu ikan dengan jenis moorish idol berhasil dikenali sebanyak 8 citra ikan (40%) dari 20 citra ikan yang ada, sedangkan 12 citra ikan moorish idol lainnya gagal dikenali oleh aplikasi. Berikut adalah tabel hasil percobaan pengenalan citra ikan yang didapat melalui proses capture image oleh media webcam. Karena keterbatasan waktu, pengujian aplikasi menggunakan citra ikan yang dicetak diatas selembar kertas lalu dihadapkan kepada media webcam. Pada percobaan ini digunakan 15 citra ikan dari 3 jenis ikan yang sama seperti diatas. Tabel 4.2 Tabel Hasil Percobaan Capture Image Nama Gambar
Jenis Ikan
Hasil Percobaan
Gambar clown 1 Gambar clown 2 Gambar clown 3 Gambar clown 4 Gambar clown 5 Gambar yellow 1 Gambar yellow 2 Gambar yellow 3 Gambar yellow 4 Gambar yellow 5 Gambar moorish 1 Gambar moorish 2 Gambar moorish 3 Gambar moorish 4 Gambar moorish 5
Clown Fish Clown Fish Clown Fish Clown Fish Clown Fish Yellow Tang Yellow Tang Yellow Tang Yellow Tang Yellow Tang Moorish Idol Moorish Idol Moorish Idol Moorish Idol Moorish Idol
Berhasil Dikenali Berhasil Dikenali Gagal Dikenali Berhasil Dikenali Berhasil Dikenali Berhasil Dikenali Berhasil Dikenali Berhasil Dikenali Berhasil Dikenali Berhasil Dikenali Gagal Dikenali Gagal Dikenali Berhasil Dikenali Berhasil Dikenali Gagal Dikenali
108 Dari hasil percobaan, diperoleh hasil sebesar 4 citra ikan (80%) jenis clown fish berhasil dikenali sementara 1 citra lainnya gagal dikenali. Ikan jenis yellow tang seluruhnya (100%) dapat dikenali oleh aplikasi. Sedangkan ikan jenis moorish idol dapat dikenali sebanyak 2 citra ikan (40%) dari 5 ikan yang ada. 4.4.2 Evaluasi Penggunaan Aplikasi Setelah dilakukan implementasi maka didapatkan hasil evaluasi sistem dari tanggapan para pakar dan juga evaluasi dari kemampuan dari sistem pengenalan citra serta sistem pakar dalam sistem pengenalan citra ikan hias air laut serta penentuan kesesuaian kondisi akuarium. Pada implementasi layar tampilan muka sudah baik karena sudah memiliki tampilan berbentuk visual dan menarik serta user friendly pada pemakai, aplikasi ini juga mudah dioperasikan dan fleksibel karena tidak rumit. Pada evaluasi keseluruhan tentang cara kerja aplikasi maka dapat dikatakan bahwa aplikasi ini sudah berhasil dalam mengenali dan menentukan kondisi akuarium yang sesuai bagi ikan hias air laut. Aplikasi ini sudah berhasil mengenali citra ikan yang di dapat melalui hasil capture webcam maupun melalui hasil load image yang sudah disimpan. Hasil pengenalan citra tersebut didapat melalui proses training pada tahap pengembangan aplikasi menggunakan metode rgb2ind dan konversi HSV untuk mengenali warna, metode Backpropagation Neural Network untuk mengenali pola dan metode Sobel untuk mengenali bentuk, yang selanjutnya disimpan di dalam file “data.mat” dalam bentuk nilai.
109 Meskipun aplikasi ini dapat digunakan dalam beberapa ikan yang sudah diuji, namun aplikasi ini masih bersifat prototype. Oleh karena itu, aplikasi ini masih dapat dikembangkan. Karena semakin lengkap data ikan yang dimasukkan ke dalam knowledge base maka akan semakin akurat kinerja dari aplikasi ini.
4.4.3 Evaluasi Kendala Aplikasi Berikut adalah beberapa kendala yang muncul setelah dilakukan proses percobaan aplikasi. Diantara lain : 1.
Kondisi plastik pembungkus ikan yang cenderung cembung sehingga mengakibatkan citra ikan menjadi ter-distorsi.
2.
Kotornya lensa webcam yang dapat menyebabkan proses capturing image menjadi bermasalah.
3.
Keruhnya air yang dapat mengganggu keakuratan lensa webcam dalam proses capturing image.
4.
Latar belakang dari citra yang ikut terdeteksi sehingga mengganggu proses pengenalan.
5.
Kerusakan pada file image yang dapat menyebabkan proses pengenalan image menjadi terganggu.
6.
Ketidakakuratan
dalam
proses
pengenalan
image
yang
menyebabkan terjadinya error. 7.
Data ikan yang dikenali tidak tercantum di dalam knowledge base.
8.
Kerusakan teknis pada aplikasi.
9.
Tingkat kerumitan aplikasi yang terlalu tinggi.
dapat
